![\"\"](\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/11\/big-data-nube.jpg\")
<\/a>Una parte de esta informaci\u00f3n se recolecta sobre nuestras llamadas telef\u00f3nicas, transacciones bancarias, pagos electr\u00f3nicos, b\u00fasquedas en Google o movimientos a trav\u00e9s de las se\u00f1ales GPS procedentes de nuestros tel\u00e9fonos m\u00f3viles. Otros datos los generamos de forma voluntaria cuando publicamos contenido en las redes sociales (Facebook, Twitter, Instagram, etc.). Por \u00faltimo, la ciencia y la recolecci\u00f3n de informaci\u00f3n procedente de sensores que monitorizan los objetos, constituyen las otras dos grandes fuentes de de datos. Por ello tambi\u00e9n hay datos presentes en dominios muy diversos entre s\u00ed: desde las relaciones humanas a la medicina, industrias de servicios y manufacturas, agricultura y hasta en el \u00e1mbito jur\u00eddico.<\/p>\nLa pregunta que motiva este art\u00edculo es c\u00f3mo comunicar en forma masiva los (complejos) temas de ciencia de datos a un p\u00fablico diverso y no necesariamente experto en el tema, para al mismo tiempo atraer su atenci\u00f3n<\/strong>. En principio, el desaf\u00edo deber\u00eda comenzar por entender qu\u00e9 es la ciencia de datos, para luego sumergirnos en sus problem\u00e1ticas concretas. Se trata de una nueva ciencia que aprovecha el an\u00e1lisis de grandes vol\u00famenes de datos para encontrar relaciones entre datos que, a primera vista, parecen no tener nada en com\u00fan y que puede beneficiar a las empresas, las organizaciones y comunidades en general, porque permite detectar patrones, tendencias y correlaciones para poder tomar decisiones informadas.\u00a0Por este motivo, es un conjunto de m\u00e9todos muy valiosos que posibilita encontrar correlaciones sutiles que usualmente pueden perderse al analizar conjuntos de datos m\u00e1s peque\u00f1os para realizar diagn\u00f3sticos, predicciones y pron\u00f3sticos fiables en numerosas \u00e1reas.<\/p>\nEsta nueva perspectiva refuerza el concepto de volumen, pero tambi\u00e9n conduce directamente a las ideas de diversidad y complejidad presentes en los diferentes tipos de datos. A partir del conocimiento obtenido y las pr\u00e1cticas asociadas al trabajo sistem\u00e1tico con los datos, surgieron nuevas profesiones con ciertas denominaciones. En general las podemos agrupar bajo el paraguas de \u201ccient\u00edfico de datos\u201d.<\/p>\n
A trav\u00e9s de distintos art\u00edculos sobre tecnolog\u00eda inform\u00e1tica, intentando volvernos un \u201cpuente\u201d entre los cient\u00edficos especializados en la tem\u00e1tica y el gran p\u00fablico, hemos podido reunir algunas recomendaciones y experiencias<\/strong> que podr\u00edan resultar valiosas a la hora de intentar construir un mensaje atractivo y masivo sobre la ciencia de datos:<\/p>\n1. Conocer al p\u00fablico para el cual escribiremos o dirigiremos nuestro mensaje.<\/strong><\/p>\n\u00bfA qui\u00e9n estar\u00e1 dirigido nuestro contenido? \u00bfSon profesionales universitarios en la tem\u00e1tica o se trata de p\u00fablico lego? Mientras m\u00e1s podamos conocer al p\u00fablico, mejor podremos nivelar (lo cual no significa simplificar o vulgarizar) el contenido del art\u00edculo o de la charla, de manera que la idea de \u201cciencia de datos\u201d no aleje de entrada al lector o al interlocutor por volverse incomprensible el contenido o porque directamente lo aburra.<\/p>\n
<\/p>\n
2. Evitar tecnicismos o lenguaje cr\u00edptico que pueda restar audiencia.<\/strong><\/p>\nSiguiendo con el punto anterior, si bien puede parecernos interesante hablar de las particularidades de R, Hadoop, Phyton y NoSql, cuanto m\u00e1s tecnicismos y jergas utilicemos en su explicaci\u00f3n, m\u00e1s reducido ser\u00e1 el alcance de nuestras comunicaciones (que llegar\u00e1n s\u00f3lo a un c\u00edrculo de especialistas en desarrollo de software y an\u00e1lisis de datos que pueda comprender cabalmente este contenido). Antes de escribirlo, conviene preguntarse, \u00bfes comprensible por la mayor\u00eda, se debe explicar la terminolog\u00eda? \u00bfCu\u00e1n conocido o instalado est\u00e1 el t\u00e9rmino? Porque si s\u00f3lo es parte de la jerga profesional, entonces no es m\u00e1s que lenguaje cr\u00edptico. Al mismo tiempo, en ciertas oportunidades el lenguaje es un fen\u00f3meno generacional y la adopci\u00f3n de diversos t\u00e9rminos (Meme, Resiliente, Grafo Social, etc.) se va popularizando en paralelo a su divulgaci\u00f3n con el correr del tiempo para salir del \u00e1mbito estrictamente profesional.<\/p>\n
Lo mismo se aplica a los t\u00e9rminos en ingl\u00e9s. Evitar los anglicismos o t\u00e9rminos forzados del idioma ingl\u00e9s, si podemos encontrar una traducci\u00f3n valiosa (Ej. Machine Learning=Aprendizaje Autom\u00e1tico, Data Mining=Miner\u00eda de Datos o Explotaci\u00f3n de Datos).<\/p>\n
<\/p>\n
3. Al dar ejemplos de grandes cantidades de datos, utilizar analog\u00edas que sean pr\u00f3ximas a la experiencia inmediata del p\u00fablico.<\/strong><\/p>\nSi decimos que \u201cla cantidad de datos que la humanidad ha almacenado hasta 2007 es de 295 Exabytes\u201d, ese n\u00famero en abstracto tal vez no nos signifique nada. En cambio, si a\u00f1adimos a la explicaci\u00f3n que \u201cesto ser\u00eda 30 veces el n\u00famero de insectos en la Tierra hoy en d\u00eda\u201d, ya cobra otro valor.<\/p>\n
M\u00e1s ejemplos concretos: \u201c35 zettabytes de datos ser\u00e1n creados para 2020, lo que significa un crecimiento de 300 veces respecto al a\u00f1o 2005. Equivaldr\u00eda a ocupar tantos DVDs apilados desde la tierra hasta a alcanzar la mitad del trayecto a Marte. Tambi\u00e9n se producir\u00e1n 2.3 trillones de Gigabytes por d\u00eda. Esto equivaldr\u00eda a 2 trillones de pel\u00edculas con calidad de televisi\u00f3n\u201d. Tambi\u00e9n las im\u00e1genes o infograf\u00edas ayudan a ejemplificar y visualizar mejor las cifras.<\/p>\n
<\/p>\n
4. Explicar la utilidad de la t\u00e9cnica o aporte concreto del m\u00e9todo desarrollado.<\/strong><\/p>\nEn numerosas oportunidades nos hemos encontrado con trabajos de investigadores sumamente innovadores en cuanto a la resoluci\u00f3n de un problema de la disciplina o cuyo impacto en la comunidad cient\u00edfica es enorme. No obstante, cuando se trata de un trabajo cient\u00edfico no siempre est\u00e1 explicitado el aporte o utilidad concreta. Aunque nos haga quedar como ignorantes, siempre es necesario respondernos la pregunta, \u00bfqu\u00e9 beneficios tiene esta t\u00e9cnica, c\u00f3mo se aplicar\u00eda concretamente este desarrollo, qu\u00e9 nuevas contribuciones trae al campo de la ciencia de datos? Al respecto, siempre son valiosos los antecedentes al estudio y\/o las estad\u00edsticas asociadas al sector (ej. si se descubre una nueva t\u00e9cnica en Agricultura de Precisi\u00f3n no est\u00e1 de m\u00e1s saber c\u00f3mo impacta econ\u00f3micamente en los cultivos y qu\u00e9 t\u00e9cnicas se hab\u00edan desarrollado anteriormente para ahorrar costos en el agro).<\/p>\n
<\/p>\n
5. Introducir casos y voceros con testimonios actuales.<\/strong><\/p>\nA la hora de comunicar estos temas, siempre enriquece la voz del experto en Datos adaptada al tono y lenguaje del art\u00edculo. Tambi\u00e9n es recomendable sumar casos de \u00e9xito, estudios o informes con datos duros que puedan enriquecer la argumentaci\u00f3n (a menos que s\u00f3lo busquemos producir un ensayo). Tener en cuenta que cada vez hay m\u00e1s profesionales y experiencias sobre Ciencia de Datos o Big Data, a los que se pueden recurrir o que pueden servir de fuente al art\u00edculo. Puede ser, por ejemplo, tanto un experto de Google como un emprendedor de una nueva startup<\/em> local.<\/p>\n <\/p>\n
6. No quedarse s\u00f3lo con informaci\u00f3n t\u00e9cnica: conectar al lector con las preocupaciones sociales, debates y discusiones sobre la tecnolog\u00eda del momento (incluso dilemas \u00e9ticos).<\/strong><\/p>\nEs importante reconocer que la Ciencia de Datos plantea cuestiones complejas como la privacidad, la transparencia, la p\u00e9rdida de identidad, o sesgo de la informaci\u00f3n. Muchas de ellas a\u00fan tienen m\u00e1s preguntas que respuestas. Respecto a la privacidad, por ejemplo, es importante abordar la cuesti\u00f3n de qui\u00e9n es el due\u00f1o de los datos que se analizan. Adem\u00e1s, gran parte del valor de los datos suele estar en usos secundarios distintos de aquellos para los que se recogieron inicialmente. Por tanto, existe el riesgo de que los datos se analicen con fines que los sujetos de los datos ni conocen, ni aprueban. Este es un fen\u00f3meno que no puede dejarse de lado cuando el prop\u00f3sito es conectar a la ciencia de datos con t\u00f3picos m\u00e1s sociales o humanos, que no se restrinjan solamente a lo tecnol\u00f3gico.<\/p>\n
Otro ejemplo podr\u00eda ser la carga \u00e9tica en el dise\u00f1o de los algoritmos; aunque nos suene rebuscado, m\u00e1s de 4.000 millones de personas usan Internet cada d\u00eda. \u00bfC\u00f3mo manejamos esa cantidad ingente de datos que hay en la web, cuestionamos de alg\u00fan modo la informaci\u00f3n, las reglas de la plataforma y las recomendaciones predefinidas que se nos hacen d\u00eda a d\u00eda?<\/p>\n
<\/p>\n
\u00a07. Cuidado con las opiniones y polarizaciones (ej. tecnolog\u00edas del control vs. de la libertad).<\/strong><\/p>\nEn lugar de adoptar posiciones extremas en torno a un debate, pensar los interrogantes que aportan a la discusi\u00f3n, los matices, zonas grises y las \u201ccajas negras\u201d no abiertas que incluso, en un contexto de incertidumbre, carecen de respuesta. Antes de afirmar tajantemente que \u201cBig Data nos ha vuelto m\u00e1s controlados o menos libres en las redes\u201d, conviene situar el tema a modo de pregunta, del estilo, \u00bfen qu\u00e9 medida las tecnolog\u00edas de Big Data pueden influir o controlar el modo en que nos movemos en las redes?<\/p>\n
<\/p>\n
8. Menos es m\u00e1s.<\/strong><\/p>\nLa \u00faltima regla de oro, en este quehacer comunicacional de los temas de datos, es simple: lo bueno si breve dos veces bueno. Antes de abrumar al lector con decenas de nuevas ideas, que probablemente sean muy dificultosas de asimilar en una primera lectura, atraerlo con una buena idea, acotada, bien desarrollada, de forma clara y sint\u00e9tica. Por ejemplo, hablar de \u201cprivacidad y transparencia en la era de los datos masivos\u201d, de por s\u00ed ya puede significar un tratado enciclop\u00e9dico. Si logramos especificarlo en c\u00f3mo Facebook, Twitter o Instagram conocen nuestros datos de intereses o preferencias a partir del contenido que \u201cposteamos\u201d en las redes, o en qu\u00e9 medida Netflix genera recomendaciones \u00absesgadas\u00bb sobre nuestro consumo personalizado de series y pel\u00edculas, ya estamos un poco m\u00e1s cerca del objetivo.<\/p>\n
Entonces, el desaf\u00edo ser\u00eda c\u00f3mo \u201cbajar\u201d esa tem\u00e1tica, de forma sint\u00e9tica, a sus puntos claves logrando, al mismo tiempo, mantener entretenido al p\u00fablico.<\/p>\n","protected":false},"excerpt":{"rendered":"
Por Ignacio Uman. \u00bfC\u00f3mo comunicar temas de ciencia de datos para un p\u00fablico no experto? Desde hace d\u00e9cadas estamos rodeados de datos y de herramientas para sacarles provecho. La disminuci\u00f3n en los costos de almacenamiento, el aumento en velocidad de procesamiento y la aparici\u00f3n, a principios de este siglo, de la computaci\u00f3n paralela y en la nube, han generado una verdadera revoluci\u00f3n de los datos […]<\/p>\n","protected":false},"author":4,"featured_media":996,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[24,34],"tags":[21,35],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/991"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=991"}],"version-history":[{"count":3,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/991\/revisions"}],"predecessor-version":[{"id":995,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/991\/revisions\/995"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/996"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=991"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=991"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=991"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}